Gids-gekoppelde quiz · Middelmatig Niveau
Quiz voor tekstinsluitingen
Beoordeel tekstvectoren en contextuele representaties, inclusief cosinusscores, compact ophalen, Sentence-BERT-pooling en onafhankelijk gecodeerde teksten.
Vraag 1 van 8
Wat levert een tekstinsluiting op voor een taalvergelijkingstaak?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat levert een tekstinsluiting op voor een taalvergelijkingstaak?
- A required spoken audio recording
- A verbatim dictionary entry for every coordinate
- A numerical vector representation of text
- Only a grammar-repair instruction
- Welke relatie is wenselijk om gelukkig en vreugdevol te zijn in een representatie die is getraind om de gelijkenis van synoniemen vast te leggen?
- A relatively high similarity under the chosen scoring method
- A mandatory identical vector for every word
- A guarantee they are synonyms in every possible context
- A requirement that neither word can be encoded
- Wat was een belangrijke beperking van vroege woordinsluitingen zoals Word2Vec en GloVe?
- Ze konden niet op een computer worden opgeslagen
- Ze werkten alleen voor afbeeldingen
- Ze hadden geen trainingsgegevens nodig
- Elk woord had een enkele vaste vector, ongeacht de context, dus 'bank' betekende overal hetzelfde
- Hoe verbeteren moderne contextuele insluitingen ten opzichte van statische woordinsluitingen?
- Ze verwijderen alle getallen uit de weergave
- Ze geven een woord een andere vector, afhankelijk van de omringende zin
- Ze bevatten alleen de eerste letter van elk woord
- Ze maken de vector van elk woord identiek
- Welke gedocumenteerde standaardgelijkenismethode gebruikt Sentence Transformers voor het insluiten van vergelijkingen?
- Cosinus gelijkenis
- Alphabetical order
- Document creation date
- Character count alone
- What role can compatible text vectors play in a dense-retrieval RAG pipeline?
- Guaranteeing every generated claim is correct
- Eliminating the source corpus
- Ranking candidate passages before they are supplied as context
- Training a new language model on every query
- Which pooling strategy is the stated default in the original Sentence-BERT paper?
- A mandatory maximum over every possible vocabulary item
- Mean pooling of output token vectors
- Concatenation of all corpus documents
- Randomly selecting an unchanged input byte
- Which Sentence-BERT design allows stored sentences to be encoded before a new comparison sentence arrives?
- Mandatory joint processing of every possible pair
- Rebuilding encoder weights for each candidate
- Encoding only the final comparison score
- Independent sentence encoding through its siamese architecture